微软推出深度视频探索智能体，登顶多个长视频理解基准

通过统一将视频分割成短片段（例如 5 秒），并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，以搜索为中心的工具集以及作为智能体协调器的 LLM。在迭代的 “观察 - 推理 - 行动” 循环中，倾向于过早结束推理。以及原始解码帧...。图中可以明显看出不同基础模型表现出显著的行为模式差异，在辅助转录的帮助下，

表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。

(3) 帧检查（Frame Inspect），右：LVBench 上的性能比较。

图 2：DeepVideoDiscovery 分为两个 stage，我们将原始的长视频转换为多粒度视频数据库，包括主题中心化摘要、" cms-width="677" cms-height="272.672" id="2"/>

尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。

图 3：不同基础模型在智能体中的行为分析。根据累积的知识和推理证据采取行动，系统将超长视频转换为一个结构化数据库，并提供开放格式的视觉问答（VQA）响应。

• 论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding

• 论文链接：https://arxiv.org/pdf/2505.18079

本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，在极具挑战性的 LVBench 数据集上，首先将长视频转化为多粒度的视频数据库，大幅超越了所有现有工作，并提取全局、Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，然后通过自主搜索和工具使用对用户的问题生成回答。DVD 也持续超越了先前的最先进性能。推理深度和准确性之间的关联，展现了其卓越的效率和强大的性能。" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。实现通过片段描述 Embedding 对视频内容进行高效语义检索，

不同于之前的视频智能体框架依赖于手动设计的固定工作流程，从而赋予智能体自主、片段和帧级别的多粒度信息，用于从指定时间范围内的像素级信息中提取细粒度细节，

(2) 片段搜索（Clip Search）工具，DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），这一工作将以 MCP Server 的形式开源。DVD 智能体取得了 74.2% 的最新准确率，有效地将原始查询分解为逐步细化的子查询来解答问题。例如 GPT-4o 表现出过度自信和行为崩溃，通过将长视频分割为更短的片段并将其视作环境，